Characterization of ovarian cancer-derived extracellular vesicles by surface-enhanced Raman spectroscopy
Notice bibliographique
Résumé
Ovarian cancer is the most lethal gynecological malignancy, owing to the fact that most cases are diagnosed at a late stage. To improve prognosis and reduce mortality, we must develop methods for the early diagnosis of ovarian cancer. A step towards early and non-invasive cancer diagnosis is through the utilization of extracellular vesicles (EVs), which are nanoscale, membrane-bound vesicles that contain proteins and genetic material reflective of their parent cell. Thus, EVs secreted by cancer cells can be thought of as cancer biomarkers. In this paper, we present gold nanohole arrays for the capture of ovarian cancer (OvCa)-derived EVs and their characterization by surface-enhanced Raman spectroscopy (SERS). For the first time, we have characterized EVs isolated from two established OvCa cell lines (OV-90, OVCAR3), two primary OvCa cell lines (EOC6, EOC18), and one human immortalized ovarian surface epithelial cell line (hIOSE) by SERS. We subsequently determined their main compositional differences by principal component analysis and were able to discriminate the groups by a logistic regression-based machine learning method with ∼99% accuracy, sensitivity, and specificity. The results presented here are a great step towards quick, facile, and non-invasive cancer diagnosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».